Publications scientifiques
-
03/28/2025 AI/ML-based lung cancer detection and characterization for lung cancer screening: results from the REALITY study on early-stage lung cancer
Téléchargement Median_eyonisLCS_ELCC_2025_AIML-BASED-LUNG-CANCER-DETECTION-AND-CHARACTERIZATION-FOR-LCS.pdf
R. Osarogiagbon, A. Vachani, C. Gotera, l. Seijo, G. Bastarrika, E. Ostrin, J. Dennison, C. Voyton, P. Baudot, E. Geremia, P. Siot, V. Le, renoust, B. Huet, V. Bourdes -
02/24/2025 Radiomics-Based Prediction of Treatment Response to TRuC-T Cell Therapy in Patients with Mesothelioma: A Pilot Study
En savoir plus Téléchargement cancers-17-00463.pdf
H. Beaumont, A. Iannessi, A. Thinnes, S. Jacques, A. Quintás-Cardama -
12/20/2024 Assessing immunotherapy response: going beyond RECIST by integrating early tumor growth kinetics
En savoir plus Téléchargement 8_Assessing-immunotherapy-response-going-beyond-RECIST-by-integrating-early-tumor-growth-kinetics.pdfThis study introduces an innovative way to predict clinical outcomes in non-small cell lung cancer (NSCLC) patients receiving immunotherapy by modeling early tumor growth dynamics with the Gompertz model alongside RECIST 1.1 criteria.
M. Felfli [1], A. Thinnes [1], S. Jacques [1], Y. Liu [1], A. Iannessi [1,2] – Affiliations: [1] Median Technologies, Valbonne, France. [2] Centre Antoine Lacassagne, Nice, France. -
10/24/2024 The ins and outs of errors in oncology imaging: the DAC framework for radiologists
En savoir plus Téléchargement fonc-1-1402838-1.pdfIn oncology, the seriousness of the disease amplifies the visibility of radiological errors, leading to both significant individual consequences and broader public health concerns. By leveraging quantitative approaches, the authors reframe the diagnostic process in radiology as a classification problem, a perspective aligned with recent neurocognitive theories on decision-making errors.
This structured model offers a practical framework for conducting root cause analysis of diagnostic errors in radiology and developing effective risk-management strategies.
A. Ianessi, H. Beaumont, C. Aguillera, F. Nicol, A-S. Bertrand. -
08/22/2024 RECIST 1.1 assessments variability: a systematic pictorial review of blinded double reads
En savoir plus Téléchargement PictorialRECIST_2024.pdfCet article passe en revue la variabilité des évaluations en oncologie radiologique, en se concentrant particulièrement sur les critères RECIST 1.1, qui normalisent les évaluations afin d’améliorer la cohérence et la précision. Il explique comment la variabilité découle de facteurs tels que l’expertise du radiologue, la qualité de l’image et la sélection des lésions, et souligne l’importance des protocoles normalisés et de la formation pour atténuer ces problèmes. En s’attaquant aux causes profondes de la variabilité, l’article vise à améliorer la précision des évaluations de la réponse, ce qui se traduit en fin de compte par de meilleurs soins aux patients et de meilleurs résultats cliniques.
A. Ianessi, H. Beaumont, C. Ojango, A-S. Bertrand, Y. Liu